運用智能優(yōu)化模態(tài)參數(shù)識別方法識別多自由度系統(tǒng)模態(tài)時,容易出現(xiàn)早熟收斂和陷入局部最優(yōu);改進搜索能力算法多需多次迭代保證結(jié)果精度;將多模態(tài)信號轉(zhuǎn)換為單模態(tài)信號的時頻分析方法自身存在缺陷。從模態(tài)獨立性和傳統(tǒng)模態(tài)參數(shù)識別方法出發(fā),提出一種將搜索空間縮減和量子粒子群算法結(jié)合(reducing search space with quantum-behaved particle swarm optimization algorithms, RSS-QPSO)的模態(tài)參數(shù)識別方法。結(jié)合數(shù)值算例和懸臂梁實驗研究基于RSS-QPSO與量子粒子群算法(QPSO)的識別結(jié)果;在不同噪聲環(huán)境下對比了RSS-QPSO與特征系統(tǒng)實現(xiàn)法(ERA)、隨機子空間法(SSI)、峰值拾取法(PP)識別結(jié)果。研究結(jié)果表明:RSS-QPSO能夠一定程度上克服早熟收斂和局部最優(yōu)缺陷,頻率和阻尼比識別精度較高,魯棒性較強;振型識別精度略差,但魯棒性好。

【文章頁數(shù)】：8 頁


本文編號：3794714